[發明專利]經驗模態分解結合字典學習的復雜信號去噪方法

有效

• 申請號: 201710574092.8
• 申請日: 2017-07-13
• 公開（公告）號: CN107516065B
• 公開（公告）日: 2019-10-18
• 發明（設計）人: 曾明;馬文新;孟慶浩
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 杜文茹

一種經驗模態分解結合字典學習的復雜信號去噪方法：對含有噪聲的信號進行EMD分解，得到一組階次由低到高的本征模態函數信號；采用小波軟閾值去噪方法對含有噪聲的本征模態函數進行去噪；將去噪后的本征模態函數和其余本征模態函數相加得到去噪信號，將殘差相加得到噪聲成分；將去噪信號分割成一組訓練樣本，采用KSVD算法從中訓練出一組信號字典；將噪聲成分分割成一組訓練樣本，采用KSVD算法從中訓練出一組噪聲字典；將信號字典和噪聲字典組合得到混合字典；將需要去噪的信號在混合字典上進行稀疏分解，得到一組稀疏向量，將稀疏向量中噪聲原子對應的系數置零；把混合字典和處理后的稀疏向量相乘，得到最終的去噪信號。本發明能有效去除多種噪聲成分。

技術領域

本發明涉及一種復雜信號去噪方法。特別是涉及一種經驗模態分解結合字典學習的復雜信號去噪方法。

背景技術

在機械振動分析、圖像及語音識別、氣象數據的判讀等眾多涉及數據處理的領域中都面臨一個共同的難題：數據在采集、傳輸過程中不可避免地混入不同類型的噪聲信號，這給后期的數據處理帶來了極大的困難，其處理結果的有效性和準確性均受到影響。因此，如何消除或抑制噪聲，從被污染的信號中還原出有用的信號成分是一個非常有價值的研究課題，很多科研人員致力于該主題的研究。

經過各領域學者幾十年不懈地努力，信號去噪研究已經取得很多可喜的進展和成果，其中比較有代表性的算法有：基于傅里葉變換的信號去噪方法、基于小波變換的信號去噪方法和基于線性變換的信號去噪方法等。基于傅里葉變換的信號去噪方法是將含噪信號變換到頻域，利用信號和噪聲在頻域上具有不同分布的特性保留有效的信號成分并剔除噪聲成分，最后通過傅里葉反變換得到去噪的信號。其中比較著名的方法有線性濾波、維納濾波和卡爾曼濾波，線性濾波雖然原理簡單、易于實現，但是當信號成分與噪聲成分在頻域重合時就無能為力了；維納濾波通過最小化去噪信號與原始信號之間的均方誤差來實現信號去噪的目的，但該方法僅對平穩信號有效；卡爾曼濾波將信號和噪聲的狀態空間模型引入濾波理論，得到遞推估計算法，之后仍是通過最小化去噪信號與原始信號之間的均方誤差對信號進行去噪，但是該方法需要知道信號和噪聲的統計特性，導致算法在實際應用中受限。基于小波變換的去噪方法，克服了傅里葉變換局限于頻率的缺點，將信號在時域和頻域結合起來分析，擴展了時間局部性和頻率局部性分析，不但將信號在頻域上的特性展現的淋漓盡致，同時也表現了每個時間段內信號的變化特性，提高了去噪效果，然而小波去噪效果取決于小波基的選取，小波基函數的固定性導致小波去噪方法的自適應性比較差。基于線性變換的信號去噪方法中以獨立分量分析(Independent Component Analysis,ICA)應用最為廣泛，其主要思想是，將含噪信號看作信號與噪聲以某種未知方式混合而成，把相互獨立的信號和噪聲張成的子空間組成獨立基，再根據一定的去噪準則對獨立分量進行處理，只保留信號子空間，最后做反變換得到去噪信號。該算法一般需要已知多個信號，但實際信號往往只有一種帶噪信號，這就導致了該去噪方法的局限性。

由于很多復雜的信號具有非線性非平穩的特性，很難采用規則的基函數進行表征，且所含的噪聲類型事先無法預知，從而導致現有去噪算法很難獲得滿意的去噪效果。針對已有去噪算法存在的不足，并充分考慮復雜信號的基本特點，本發明提出經驗模態分解結合字典學習的復雜時間序列信號去噪方法。

發明內容

本發明所要解決的技術問題是，提供一種去噪效果明顯優于其他去噪方法的經驗模態分解結合字典學習的復雜信號去噪方法。

本發明所采用的技術方案是：一種經驗模態分解結合字典學習的復雜信號去噪方法，包括如下步驟：

1)對含有噪聲的信號進行EMD分解，得到一組階次由低到高的本征模態函數信號；

2)采用小波軟閾值去噪方法對含有噪聲的本征模態函數進行去噪；

3)將步驟2)得到的去噪后的本征模態函數和其余本征模態函數相加，得到去噪信號用于之后的信號字典訓練，將步驟2)得到的殘差相加得到噪聲成分n(x)，用于之后的噪聲字典訓練；